微软GraphRAG开源实战:5分钟搞定知识图谱增强的RAG系统

Vector | Graph:蚂蚁首个开源Graph RAG框架设计解读 引入知识图谱技术后,传统RAG链路到Graph RAG链路会有什么样的变化,如何兼容RAG中的向量数据库(Vector Database)和图数据库(Graph Database)基座,以及蚂蚁的Graph RAG开源技术方案和未来优化方向。 阅读详情

微软GraphRAG开源实战:5分钟搞定知识图谱增强的RAG系统

最近,微软研究院开源了GraphRAG项目,在开发者社区里激起了不小的水花。如果你已经对传统RAG(检索增强生成)的局限性感到头疼——比如它面对“这份百页文档的核心论点是什么?”这类需要全局洞察的问题时,总是显得力不从心,只能给出零散、片面的答案——那么GraphRAG的出现,或许正是你等待的解决方案。它不再仅仅是把文档切成块去搜索,而是先让大模型理解文档,构建出一个结构化的知识图谱,再基于这个“知识大脑”来回答问题。这听起来很酷,但开源代码刚到手,文档里一堆参数,从何下手?别担心,这篇文章就是为你准备的。我们将抛开冗长的理论,直接进入实战,手把手带你从零环境配置开始,在五分钟内跑通一个可用的GraphRAG系统,并深入那些官方文档可能一笔带过、但对实际效果至关重要的细节:文本块到底设多大?Leiden算法参数怎么调?遇到报错怎么办?我们的目标很明确:让你快速获得一个“开箱即用”的工程化实例,并理解如何根据你的数据去微调它,真正发挥其潜力。

1. 五分钟极速部署:从零到一的运行指南

我们的目标是尽快看到GraphRAG运行起来。因此,这里选择了一条依赖最清晰、步骤最少的路径。请确保你的机器已经安装了Python(建议3.9或3.10)和pip。

1.1 环境搭建与依赖安装

首先,创建一个独立的Python虚拟环境是个好习惯,这能避免依赖冲突。打开你的终端(Linux/macOS)或命令提示符/PowerShell(Windows),执行以下命令:

# 创建并激活虚拟环境(以venv为例)
python -m venv graphrag_env
source graphrag_env/bin/activate  # Linux/macOS
# 对于Windows: graphrag_env\Scripts\activate

接下来,安装GraphRAG的核心库。微软提供了graphrag这个PyPI包。

pip install graphrag

注意:根据网络状况,首次安装可能需要一些时间,因为它会拉取包括llama-index、networkx、python-Leidenalg等在内的多个依赖。如果遇到某些包(特别是需要编译的,如python-Leidenalg)安装失败,你可能需要先确保系统已安装必要的编译工具(如Windows下的Visual C++ Build Tools,或Linux下的build-essential)。

安装完成后,我们还需要一个关键组件:大语言模型(LLM)。GraphRAG的图谱构建和摘要生成重度依赖LLM。为了快速演示,我们可以使用OpenAI的API,当然你也可以配置本地模型(如通过Ollama)。这里以OpenAI为例:

pip install openai

然后,在你的代码或环境变量中设置API密钥:

export OPENAI_API_KEY='你的-api-key-here'  # Linux/macOS
# 或在Windows CMD中: set OPENAI_API_KEY=你的-api-key-here
# 或在PowerShell中: $env:OPENAI_API_KEY='你的-api-key-here'

1.2 准备你的第一份数据并运行索引

现在,让我们用一份简单的文本文档来测试。在你的项目目录下,创建一个名为data的文件夹,里面放一个example.txt文件,内容可以是一段关于某个技术概念的简短描述,或者几段新闻。例如:

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。机器学习是人工智能的一个子集,它使计算机能够在没有明确编程的情况下学习。深度学习又是机器学习的一个分支,它使用神经网络模拟人脑的工作方式。

接下来,创建一个Python脚本,比如run_graphrag.py。我们将使用GraphRAG提供的高级API来快速完成索引和查询。

import asyncio
from graphrag.config import ConfigBuilder
from graphrag.index import IndexBuilder
from graphrag.query import QueryEngine

async def main():
    # 1. 构建配置:指定数据路径和LLM
    config = (
        ConfigBuilder()
        .add_defaults()
        .set_llm_api(type="openai", model="gpt-3.5-turbo") # 使用gpt-3.5-turbo以节省成本
        .set_embedding_model(type="openai", model="text-embedding-3-small")
        .set_storage(type="local", path="./storage") # 索引存储路径
        .set_input(type="filesystem", path="./data") # 数据输入路径
        .build()
    )

    # 2. 构建索引(知识图谱)
    print("开始构建知识图谱索引,这可能需要几分钟...")
    index_builder = IndexBuilder(config)
    await index_builder.build()
    print("索引构建完成!")

    # 3. 创建查询引擎并提问
    query_engine = QueryEngine(config)
    question = "人工智能、机器学习和深度学习之间是什么关系?"
    print(f"提问: {question}")
    answer = await query_engine.aquery(question)
    print(f"GraphRAG的回答: {answer}")

if __name__ == "__main__":
    asyncio.run(main())

运行这个脚本:

python run_graphrag.py

如果一切顺利,你会看到终端开始输出索引构建的日志(提取实体、关系、发现社区等),最后输出针对你问题的回答。恭喜,你的第一个GraphRAG系统已经跑起来了!整个过程的核心就是配置、构建索引、查询三步。但为了让这个系统真正强大且适应你的需求,我们需要深入几个关键配置。

2. 核心参数调优:决定效果的关键旋钮

默认配置能跑通,但未必是最优的。GraphRAG提供了多个参数来控制其行为,理解并调整它们至关重要。

2.1 文本块大小:精度与效率的权衡

在索引阶段,文档首先被分割成文本块(TextUnits)。这个块的大小直接影响后续图谱提取的质量和整个流程的速度。

  • 块太小(如默认的300 tokens):上下文信息可能不完整,导致LLM提取的实体和关系碎片化,难以形成连贯的图谱。同时,LLM调用次数会急剧增加,显著拖慢索引速度。
  • 块太大(如1200 tokens以上):单次提取能获得更丰富的上下文,有利于理解实体间关系。但过大的块可能导致LLM“注意力分散”,提取精度下降,并且生成的社区摘要可能过于笼统,失去细节。召回率(找到所有相关信息的能力)也可能受影响。

根据论文和社区经验,以下是一个参考表格:

文本块大小 (tokens)优点缺点适用场景
300 (默认)提取的实体粒度细,参考文本可读性强LLM调用次数多,索引速度慢,关系可能不连贯文档结构松散、段落独立性强的数据(如客服对话、社交媒体帖子)
600-800较好的平衡点,兼顾上下文与效率需要根据具体数据验证效果大多数技术文档、新闻文章、中等长度报告
1200+LLM调用次数少,索引速度快,能捕捉长程依赖提取精度和召回率可能降低,摘要较粗书籍章节、长篇连贯论述、对速度要求极高的场景

如何在代码中调整? 在配置构建时,通过set_text_splitter参数进行调整。你需要安装llama-index的相关包,并使用其文本分割器。

from llama_index.core.node_parser import TokenTextSplitter
# 创建自定义文本分割器
text_splitter = TokenTextSplitter(
    chunk_size=600,  # 目标块大小
    chunk_overlap=100, # 块之间重叠的token数,有助于保持上下文连贯
)
# 在ConfigBuilder中设置
config = (
    ConfigBuilder()
    .add_defaults()
    .set_llm_api(...)
    .set_text_splitter(text_splitter) # 应用自定义分割器
    .build()
)

2.2 Leiden算法参数:掌控知识社区的粒度

GraphRAG使用Leiden算法对构建的知识图谱进行社区发现,这是实现“分而治之”摘要的核心。社区发现的粒度,直接决定了最终生成的“社区摘要”的抽象层次。

  • 分辨率参数 (resolution_parameter):这是Leiden算法中最关键的参数。值越大,发现的社区越多、规模越小,摘要会更聚焦于局部细节;值越小,社区越少、规模越大,摘要会更宏观、全局。默认值通常是1.0。
  • 随机种子 (seed):Leiden算法包含随机步骤,设置种子可以确保每次运行得到相同的社区划分结果,便于实验复现。

调整这些参数可以让你控制答案的“视野”。如果你希望回答更关注宏观趋势,就调小分辨率;如果希望回答包含更多具体事实和细节,就调大分辨率。

如何在代码中调整? 社区发现配置在索引构建的更底层。你可能需要查阅graphrag的社区发现模块文档来直接设置。一种常见方式是通过配置文件的community_detection部分(如果使用配置文件的话)。在代码中,可能需要初始化特定的社区检测器:

from graphrag.index.community_detection import LeidenCommunityDetection
# 创建自定义社区检测器
community_detector = LeidenCommunityDetection(
    resolution_parameter=0.8,  # 比默认更宏观的社区
    seed=42, # 固定随机种子
    n_iterations=2 # 算法迭代次数,通常2-3次足够
)
# 在构建索引时传入(具体方式取决于IndexBuilder的API,可能需要查看源码或后续更新)
# 当前版本的高级API可能未直接暴露此接口,需要更底层的操作。

提示:对于大多数初次使用者,建议先使用默认参数运行,观察社区划分的结果(索引过程会输出社区数量等信息),再根据需求微调resolution_parameter。

2.3 LLM与Embedding模型选择:性能与成本的考量

你的LLM选择决定了图谱提取和摘要生成的质量上限,而Embedding模型则影响着社区摘要向量化检索的效率。

  • LLM选择:
    • GPT-4系列:提取和摘要能力最强,能生成更准确、连贯的知识图谱和摘要,但成本最高。
    • GPT-3.5-Turbo:性价比之选,适合大多数实验和中等要求的生产场景。在GraphRAG中,其表现已经相当不错。
    • 本地/开源模型(如Llama 3, Qwen):数据隐私性最好,长期成本低。但需要较强的本地GPU资源,且提示词工程可能需要更多调整以确保稳定的结构化输出(实体、关系提取)。
  • Embedding模型:
    • OpenAI text-embedding-3-small/large:效果稳定,API调用方便。
    • 开源模型(如BAAI/bge-small-en-v1.5):可以本地部署,节省API成本。GraphRAG支持通过langchain集成多种嵌入模型。

在配置中灵活切换:

config = (
    ConfigBuilder()
    .add_defaults()
    # 使用Azure OpenAI
    # .set_llm_api(type="azure_openai", deployment_name="your-gpt4-deployment", api_base="...", api_version="...")
    # 使用本地Ollama服务
    # .set_llm_api(type="ollama", model="llama3", base_url="http://localhost:11434")
    .set_llm_api(type="openai", model="gpt-4o-mini") # 使用较新的小尺寸GPT-4模型
    .set_embedding_model(type="openai", model="text-embedding-3-small")
    .build()
)

3. 避坑指南:常见报错与解决方案

在实际部署中,你可能会遇到一些障碍。这里汇总了几个典型问题及其解决方法。

问题一:安装 python-Leidenalg 失败(特别是在Windows上) 这是最常见的依赖安装问题,因为python-Leidenalg是leidenalg算法库的Python绑定,需要编译。

  • 解决方案:
    1. Windows:安装预编译的轮子(wheel)。访问 Unofficial Windows Binaries for Python Extension Packages,找到对应你Python版本和系统架构(如cp39、win_amd64)的leidenalg文件下载。然后使用pip离线安装:
      pip install 下载的路径/leidenalg‑xxx.whl
      
    2. Linux/macOS:确保已安装基础的编译工具(如gcc, g++, make)和Python开发头文件(python3-dev或python3-devel)。对于macOS,可能需要安装Xcode Command Line Tools。

问题二:索引构建时LLM调用超时或报错 构建图谱需要大量调用LLM API,可能遇到网络问题或速率限制。

  • 解决方案:
    1. 增加超时设置:在LLM配置中设置更长的超时时间。
      .set_llm_api(type="openai", model="gpt-3.5-turbo", request_timeout=60)
      
    2. 处理速率限制:实现重试逻辑,或使用具有自动退避重试功能的客户端库。graphrag内部可能已有一些重试机制,但对于频繁的429错误,你可能需要降低并发或申请提升速率限制。
    3. 使用更小的文本块或分批处理数据:减少单次处理的文档量,作为临时测试。

问题三:社区发现阶段内存不足(OOM) 当处理非常大的文档集(数万节点)时,构建的图谱可能非常庞大,运行Leiden算法需要大量内存。

  • 解决方案:
    1. 增加文本块大小:减少图谱中节点的总数。
    2. 过滤低频实体:在构建图谱后、社区发现前,可以尝试移除一些出现次数极少(例如只出现1次)的实体节点,简化图谱结构。这需要修改索引构建流程,属于高级定制。
    3. 升级硬件:对于生产环境,考虑使用内存更大的机器。
    4. 分片处理:将大型文档集分成多个批次分别构建索引,但这会损失跨文档的全局关联。

问题四:查询结果不理想(不全面或跑题) 这可能是由多种原因造成的。

  • 排查步骤:
    1. 检查索引日志:确保图谱构建过程中成功提取了足够多的实体和关系。如果日志显示提取的实体很少,可能需要调整LLM的提示词(如果项目允许)或检查文本分割是否合理。
    2. 调整社区层级:GraphRAG查询时可以指定使用哪个层级的社区摘要(C0到C3)。尝试不同的层级。更底层的C3摘要更详细,可能对具体问题回答更好;更顶层的C0摘要更宏观,适合全局性问题。查询API可能允许指定搜索的社区深度。
    3. 审视原始数据质量:GraphRAG严重依赖LLM从文本中提取结构化知识。如果文档本身表述模糊、信息密度低,效果自然会打折扣。

4. 从演示到生产:性能优化与监控建议

让一个原型跑起来是一回事,让它稳定、高效地服务于真实用户则是另一回事。

优化索引速度 索引是GraphRAG最耗时的部分,尤其是图谱提取。

  • 并行化处理:确保你的IndexBuilder配置充分利用了异步IO。检查是否可以通过调整并发参数(如果提供)来同时处理多个文本块。
  • 缓存LLM响应:对于静态文档集,可以考虑缓存LLM在实体/关系提取阶段的输出,避免重复计算。这需要自定义索引流程。
  • 选择合适的LLM:对于索引阶段,使用速度更快、成本更低的模型(如GPT-3.5-Turbo)进行提取,而在最终生成答案的查询阶段使用更强的模型(如GPT-4),这是一种混合策略。

设计查询策略 默认的查询引擎可能使用固定的社区层级。你可以实现更智能的路由:

# 伪代码示例:根据问题类型选择查询策略
async def smart_query(question, query_engine):
    # 简单规则:问题中包含“总体”、“主要”、“概括”等词,使用高层级摘要
    if any(word in question for word in ["总体", "主要", "概括", "核心"]):
        # 尝试调用高层级(如C0/C1)的查询接口
        answer = await query_engine.aquery(question, community_level="high")
    else:
        # 默认或使用低层级摘要
        answer = await query_engine.aquery(question, community_level="low")
    return answer

引入评估与监控 在生产中,你需要知道系统表现如何。

  • 构建测试集:准备一组涵盖不同问题类型(事实型、概括型、推理型)的标准问题及其期望答案。
  • 自动化评估:利用LLM本身(如使用GPT-4作为裁判)或传统指标(如ROUGE,对于摘要任务)定期对系统输出进行评估,计算在全面性、多样性、准确性等方面的得分。
  • 记录与告警:记录每次查询的耗时、使用的tokens数、调用的社区层级等信息。设置告警,当平均响应时间超过阈值或错误率上升时通知团队。

持续迭代与更新 知识不是静态的,你的GraphRAG系统也不应该是。

  • 增量索引:研究如何对新增文档进行增量索引,而不是每次都全量重建。这需要处理图谱的合并与社区结构的更新,是当前GraphRAG开源版本可能尚未完全解决的挑战。
  • 人工反馈循环:允许用户对答案进行“点赞/点踩”或提供修正。这些反馈可以用来优化后续的摘要生成提示词,甚至用于重新调整图谱中某些关系的权重。

GraphRAG将知识图谱的全局结构理解能力注入到RAG框架中,为解决复杂、开放的查询提供了新思路。开源版本的释出降低了实验门槛,但将其成功应用于实际项目,关键在于根据你的数据特性进行细致的调参和工程化封装。从调整那块“文本块大小”的敲门砖开始,逐步深入社区发现的黑盒,再到设计面向生产的查询链路,每一步都需要结合具体场景反复试验。我自己的经验是,在处理一份关于市场趋势的混合报告(包含数据、评论和预测)时,将文本块大小从默认的300调整到750,并将Leiden算法的分辨率参数设为1.2,最终得到的社区摘要更能区分出“技术驱动”、“消费者行为”、“政策影响”这几个独立维度,使得回答“影响未来市场的关键因素有哪些?”这类问题时,答案的结构清晰了许多。记住,没有放之四海而皆准的配置,最好的调优指南来自于你对自身数据的观察和度量。

检索增强生成 (RAG) 技术全面解析:核心思想与应用实践 检索增强生成 (Retrieval-Augmented Generation,简称 RAG) 是一种将信息检索与文本生成相结合的技术,旨在通过引入外部知识库来提升生成模型的效果。其核心思想是在语言模型生成文本的过程中,通过检索机制获取相关的外部知识,将这些知识与模型自身的生成能力相结合,从而提升生成文本的质量和可靠性。简单来说,RAG 就像是给 AI 配备了一个 "外挂知识库",让 AI 在回答问题时能够先查阅资料,从而摆脱传统模型的 "知识遗忘" 困境。 阅读详情

相关推荐

微软GraphRAG开源实战:如何用知识图谱提升RAG的全面性与多样性

本文详细解析微软GraphRAG技术如何通过知识图谱提升RAG的全面性与多样性,涵盖架构设计、部署实战及效果对比。GraphRAG将传统线性检索升级为立体知识网络,显著增强AI的全局理解能力,适用于医疗、金融等多领域复杂查询场景。

weixin_29062613的博客 131

重磅 - 微软官宣正式在GitHub开源GraphRAG

在最近的预印本https://www.microsoft.com/en-us/research/publication/from-local-to-global-a-graph-rag-approach-to-query-focused-summarization/ 中,我们探讨了这些社区摘要如何帮助回答全局性问题,这些问题涉及整个数据集而不是专注于特定的文本块,天真的基于向量搜索的RAG方法存在局限性。例如,考虑问题“数据集中的主题是什么?

m0_59235699的博客 2040

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

微软开源的GraphRAG爆火,Github Star量破万!

机器之心报道知识图谱从不退环境!LLM 很强大,但也存在一些明显缺点,比如幻觉问题、可解释性差、抓不住问题重点、隐私和安全问题等。检索增强式生成(RAG)可大幅提升 LLM 的生成质量和结果有用性。本月初,微软发布最强 RAG 知识库开源方案 GraphRAG,项目上线即爆火,现在星标量已经达到 10.8 k。项目地址:https://github.com/microsoft/graphrag官方...

机器学习算法与Python学习 749

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

从零部署Qwen大模型:vLLM实战指南,零基础小白收藏这一篇就够了!

本文将手把手教你使用高性能推理引擎vLLM部署Qwen大模型,并提供Python和Java两种语言的实现代码,帮助不同技术背景的开发者快速上手。

2401_82469710的博客 1399

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

GraphRAG本地部署 v2.7.0

文章摘要:本文详细介绍了GraphRAG项目的本地部署流程,包括两种开发方式:基于源码和基于Python包。基于源码方式需要创建虚拟环境、安装依赖、配置API密钥(支持OpenAI和Azure两种模式),并运行索引和查询流程。基于Python包方式则更快捷,通过pip安装后即可初始化项目并执行索引查询。两种方式都支持全局查询(宏观理解)和局部查询(细节分析),最后以《圣诞颂歌》文本分析为例演示了完整流程。配置文件中可调整模型参数和认证方式(含Azure托管身份验证)。

applepie_max的博客 1312

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Altera下载器驱动配置:手把手教程(从零实现)

详解Altera USB-Blaster驱动安装全过程,从设备识别到软件配置一步一图,解决常见连接问题,确保开发下载器正常工作,适合初学者快速上手FPGA下载调试。

weixin_35751194的博客 991

GraphRAG 综述:图结构如何重构检索增强生成的技术边界?

GraphRAG:突破传统RAG局限,专为图结构数据设计的检索增强生成框架

m0_68241160的博客 1979

Apollo control模块横向控制原理及核心代码逐行解析

看完这篇文章,你会对apollo横向控制有一个整体的概念

weixin_39199083的博客 2万+

技术动态 | 最大的开源GraphRag:知识图谱完全自主构建(港科大&华为)

知识图谱(KGs)已经可以很好地将海量的复杂信息整理成结构化的、机器可读的知识,但目前的构建方法仍需要由领域专家预先创建模式,这限制了KGs的可扩展性、适应性和领域覆盖范围。

m0_59235699的博客 1189

从零到一:Quartus II连接开发板实战,打通绘图、管脚分配、编译与下载全链路

本文详细介绍了使用Quartus II软件连接FPGA开发板并完成首个项目的全流程。从硬件连接到驱动安装,到绘制电路框图、精准分配管脚,再到编译设置与最终下载,手把手指导您打通从设计到硬件实现的完整链路,是FPGA初学者的实战入门指南。

mqtt6iot的博客 717

【Linux 驱动开发】STM32MP1 LCD 显示系统完整实践指南

STM32MP1 LCD显示系统实践指南 本文全面介绍STM32MP1平台实现MIPI DSI LCD显示的完整流程,涵盖硬件连接、设备树配置、显示原理和驱动实现。主要内容包括: 硬件连接:详细说明MIPI DSI差分对、背光PWM、复位/供电管脚的连接方式 设备树配置: PWM背光控制节点设置 LTDC与DSI端口映射关系 Panel节点参数定义 显示基础:讲解LCD/OLED显示原理、常见接口类型(RGB/LVDS/MIPI/HDMI)及信号时序 驱动实现。

猫猫的小茶馆 497

GraphRAG v2.7.0 本地部署实战:从源码到查询的完整指南

本文提供了GraphRAG v2.7.0本地部署的完整实战指南,涵盖从环境准备到构建知识索引的全过程。详细对比了基于源码与Python包的两种部署路径,并深入解析了核心配置与高级调优技巧,帮助用户安全、高效地在本地搭建私有知识库,实现精准的文档查询与分析。

defi6farmer的博客 485

RuoYi(分离版) 使用代码生成器添加子模块(idea版)

文章目录准备一、使用代码生成器1.数据库2.导入表并生成代码二、导入代码文件1.新建一个模块2.导入zip代码文件3.模块环境配置添加菜单和访问地址总结 准备 前提要把系统启动起来,部分教程可以参考这边文章若依框架RuoYi前后端分离项目导入IDEA及运行启动 但是完全参考这篇文章还是不能把项目启动起来,因为这篇文章没有说明数据库。 我是用的是本地数据库,采用xampp+Navicat的组合来部署和访问数据库。打开Navicat,连接并创建数据库ry-vue并导入数据脚本ry_20191008.sql,q

dream_coke的博客 1万+

GraphRAG-2.7.0整合Milvus-2.5.1

本文介绍了如何扩展微软GraphRAG项目以支持Milvus向量数据库。主要内容包括:1. 通过新增MilvusVectorStore类继承BaseVectorStore基类,实现Milvus连接、文档加载和向量搜索功能;2. 修改配置文件和枚举类,新增Milvus向量存储类型;3. 提供完整的代码实现方案,包括索引构建、文档查询等核心功能;4. 展示实际查询示例,验证Milvus集成效果。该方案成功将Milvus作为新的向量存储选项集成到GraphRAG框架中,为开发者提供了更多向量数据库选择。

优快云_Crazy_app的博客 419

Qt应用软件【协议篇】自定义协议处理串口半包贴包

Qt串口数据,半包,贴包,丢包数据处理

小鱼酱的博客 1215

RK3588开发笔记-Hailo AI模块调试

本文详细介绍了在RK3588开发板上调试HailoAI模块的全过程。首先概述了RK3588处理器的强大性能(4核A76+4核A55,6TOPS算力)和Hailo-8 AI加速模块的特点,重点阐述了通过PCIe接口连接两者的硬件方案。调试步骤包括:确认内核PCIe配置、编译Hailo驱动、下载固件文件并部署到指定目录,最后通过运行resnet模型验证模块性能(实测FPS达2456)。文中提供了完整的软件包下载地址和GitHub源码链接,为开发者实现类似AI加速方案提供了实用参考。

flypig has a dream! 966

一文学懂【微软开源GraphRag】项目

GraphRAG 是微软开源的一个项目,它的名字里包含了它的主要功能——利用图(Graph)来增强检索(Retrieval)和生成(Generation)的能力。

kiingking的博客 2313

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

GraphRAG 详解

以 ChatGPT 为代表的大语言模型出圈后,企业级 LLM 的应用也越来越热,这其中一大部分应用都使用了 RAG 技术。传统 RAG 技术在某些场景下,可能存在以下几个问题,即使使用高级 RAG 方法通常也较难克服。1. 效率问题:基于向量的搜索方法采用数学方法,如聚类,树形结构或 HNSW 等近似最近邻算法,这些方法在处理极高维度数据,或非常复杂的信息结构时效果不好。另外,ANN 搜索算法如 HNSW 虽然可以提高效率,但构建和维护索引通常需要大量的计算资源。

m0_59164520的博客 5074

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

GraphRAG:知识图谱+大模型

结合知识图谱检索和向量检索,利用二者的优势提高搜索结果的准确性和相关性。

Python_cocola的博客 3621

Docker-compose部署GraphRAG-2.7.0

Docker容器部署graphrag

优快云_Crazy_app的博客 504
上一篇: 揭秘爆款像素风视频背后的技术:Coze工作流+即梦4.0深度配置指南
下一篇: 手把手教你用ODrive驱动无刷电机:从硬件连接到Python控制全流程
linux6sysadmin
博客等级 码龄4年 59粉丝 1615原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值